JP2007133472A - 故障診断装置及び故障診断方法 - Google Patents

Abstract

【課題】 汎用性の高い故障診断モデルを用いた故障診断装置を提供する。
【解決手段】 画像形成装置１００の備える機能ごとに、確率推論モデルを用いて機能分化された機能分化診断モデルを作成し、機能分化診断モデルを合成した故障診断モデルを記憶する機能診断モデル記憶部１１と、診断対象の画像形成装置にはない機能について、機能分化診断モデルの代わりにダミーノードを接続した故障診断モデルを作成するダミーノード接続部１２と、ダミーノードを接続した故障診断モデルを用いて画像形成装置の故障箇所を推定する解析処理部１３とを有している。
【選択図】 図１

Description

本発明は、複写機やプリンター等の画像形成装置の故障診断装置および故障診断方法に関する。

従来より複写機やプリンターなどのオフィス機器においては、良好な品質を維持するために専門のサービスマンが派遣され、定期的なメンテナンスが実施されてきた。しかし、近年のオフィス機器のカラー化、高機能化に伴い、故障の様態も複雑化してきており、専門のサービスマンでも故障原因を特定しきれず、かつ顧客サイドでの機器のダウンタイムを極力少なくする必要があることから、故障に関連しそうな部品を複数まとめて交換するようなケースが多発している。

そこで、通信回線を介して、画像形成装置の内部状態を表す情報を管理センタに収集し、管理センタで画像形成装置の故障診断モデルを用いて故障個所の推定を行う技術が提案されている。

故障診断モデルを用いて故障個所を推定する技術には、例えば特許文献１の開示技術がある。特許文献１の画像形成装置は、画像形成装置に故障が発生すると、故障原因候補を導出して、故障シミュレーションを行う。この故障シミュレーションによって故障モデルを選択し、選択した故障モデルを使用して修復計画を作成する。

特開平８−１５２８２２号公報

しかしながら、特許文献１に開示された故障診断モデルを用いた故障診断装置を管理センタのサーバ装置に搭載し、このサーバ装置によって各顧客の画像形成装置を集中管理するような場合、サーバ装置には、管理する顧客の画像形成装置の組み合わせの数だけ診断モデルを用意する必要がある。

すなわち、画像形成装置に搭載される機能は、コピー機能、プリンター機能、ＡＤＦ（Ａｕｔｏ Ｄｏｃｕｍｅｎｔ Ｆｅｅｄｅｒ）機能、ファクシミリ機能、大容量給紙トレイ、フィニッシャなど複数の機能があり、顧客によって搭載している機能が異なっている。このためサーバ装置には、故障診断モデルを機能の組み合わせの数だけ用意しなければならず、診断モデル作成に大幅な時間が必要になるという問題がある。

本発明は、上記事情に鑑みてなされたものであり、汎用性の高い故障診断モデルを用いた故障診断装置及び故障診断方法を提供することを目的とする。

かかる目的を達成するために本発明の故障診断装置は、画像形成装置の備える機能ごとに、確率推論モデルを用いて機能分化された機能分化診断モデルを作成し、該機能分化診断モデルを合成した故障診断モデルを記憶する記憶手段と、診断対象の画像形成装置にはない機能について、機能分化診断モデルの代わりにダミーノードを接続した故障診断モデルを作成し、前記画像形成装置の故障箇所を推定する故障箇所推定手段と、を有する構成としている。
このように本発明は、ダミーノードを接続した故障診断モデルを作成しているので、膨大な確率計算を再度やり直す必要なく、簡単に診断対象の画像形成装置の故障個所を診断することができる。

上記故障診断装置において、前記ダミーノードの条件確率は、対応する機能分化診断モデルを接続したときの結合部で、該対応する機能の状態を測定した測定データを入力する前の事前故障確率に一致させるとよい。
予め与えられている事前確率を全く変更しないで、診断対象の画像形成装置の故障個所を診断することができる。

上記故障診断装置において、前記ダミーノードは、前記診断対象の画像形成装置の状態を測定した測定データが入力されない独立したノードであるとよい。

上記故障診断装置において、前記確率推論モデルは、ベイジアンネットワークであるとよい。

本発明の故障診断方法は、画像形成装置の備える機能ごとに、確率推論モデルを用いて機能分化された機能分化診断モデルを作成するステップと、前記機能分化診断モデルを合成した故障診断モデルを作成するステップと、診断対象の画像形成装置にはない機能について、機能分化診断モデルの代わりにダミーノードを接続した故障診断モデルを作成するステップと、前記画像形成装置の故障箇所を推定するステップとを有している。
このように本発明は、ダミーノードを接続した故障診断モデルを作成しているので、膨大な確率計算を再度やり直す必要なく、簡単に診断対象の画像形成装置の故障個所を診断することができる。

本発明によれば、ダミーノードを接続した故障診断モデルを作成しているので、膨大な確率計算を再度やり直す必要なく、簡単に診断対象の画像形成装置の故障個所を診断することができる。

以下、本発明を実施するための最良の形態を図面と共に詳細に説明する。

図１に本発明に関わるシステムの構成を示す。図１に示すシステムは、顧客サイドに置かれた複数の画像形成装置１００Ａ，１００Ｂ，・・・１００Ｎと、これらの画像形成装置を保守・管理する保守センタに配置された故障診断装置１とを有している。顧客サイドに置かれた画像形成装置１００Ａ，１００Ｂ，・・・１００Ｎと、保守センタに置かれた故障診断装置１とは、インターネット等の通信ネットワーク２００を介して接続されている。

画像形成装置１００（１００Ａ，１００Ｂ，・・・１００Ｎのうちのいずれの画像形成装置であってもよい場合にはこのように表記する）内に記憶されている保守情報（画像形成装置の状態を測定した測定情報）は、定期的に(例えば1日1回)、通信ネットワーク２００を介して、それぞれの画像形成装置１００に振られている機械番号、データ収集日とともに保守センタの故障診断装置１に送られる。

故障診断装置１では、通信部２で保守情報を受け取り、個々の画像形成装置１００を特定できる機械番号、データ収集日とともに記憶部６に格納する。記憶部６には、機械番号に対応して、画像形成装置１００がコピー機なのかプリンターなのか、画像形成装置１００に搭載されたオプションの有無など、詳細な構成が記録されている。故障診断する場合は、調べたい画像形成装置１００の機械番号を入力部４からインプットすると、制御部３は、記憶部６にある該当する保守情報と、画像形成装置のモデルを識別するモデル識別番号を抽出し、解析処理部１３に送る。

解析処理部１３では、モデル識別番号から画像形成装置１００の構成を特定する。解析処理部１３は、診断対象の画像形成装置１００の構成情報をダミーノード接続部１２に転送する。ダミーノード接続部１２は、解析処理部１３から画像形成装置１００の構成情報を取得すると、機能診断モデル記憶部１１から全体機能診断モデルを取得する。全体機能診断モデルについては後述する。ダミーノード接続部１２は、全体機能診断モデルを取得して、画像形成装置１００の構成情報に従って、診断対象の画像形成装置には備えられていない機能、オプションにダミーのノードを付加する。ダミーノードが接続された機能診断モデルと保守情報とを使用して、機能診断を実施し、故障箇所の推定を行う。算出した故障個所は、表示部に機械番号とともに故障確率を表示する。

サービスエンジニアは、推定した故障箇所の部品等を持ってカスタマーを訪問し、保守作業を実施する。また、算出した故障箇所は、診断した日付、機械番号を記憶させておくと、例えば、サービスエンジニアが所有しているノートＰＣ、ＰＤＡ、携帯電話等の携帯情報端末３００から通信ネットワーク２００を介して、保守センタの記憶部のデータをダウンロードして見ることもできる。また、画像形成装置１００のコントロールパネルによって、通信ネットワーク２００を介して保守センタに保守情報を送り、保守センタ側で故障診断を行い、故障箇所の推定結果を画像形成装置１００の表示パネルにダウンロードして表示させることもできる。

推定に使う保守情報（画像形成装置の状態を測定する測定データ）は、各センサからの信号（レーザ光量、画質濃度、トナー濃度、温度、湿度等）、ライフカウンタ値、フェイル回数などである。また、フェイルを生じた時のフィード数やフェイル間のフェード数差、及びの過去の推移なども含む。

［故障診断モデルの説明］
図２に、画像形成装置１００に搭載可能なすべての機能やオプションを持った全体機能診断モデルを示す。この例では、画像入力装置（以下、ＩＩＴ（Ｉｍａｇｅ Ｉｎｐｕｔ Ｔｅｒｍｉｎａｌ）とも表記する）、画像出力装置（以下、ＩＯＴ（Ｉｍａｇｅ Ｏｕｔｐｕｔ Ｔｅｒｍｉｎａｌ）とも表記する）、フィニッシャ、ＦＡＸ、各種トレイ、ＤＡＤＦ（Ｄｕｐｌｅｘ Ａｕｔｏ Ｄｏｃｕｍｅｎｔ Ｆｅｅｄｅｒ）、ＡＤＦ（Ａｕｔｏ Ｄｏｃｕｍｅｎｔ Ｆｅｅｄｅｒ）など、画像形成装置を機能やオプションによって分割した機能分化診断モデルが複数接続された構成を備えている。図２に示す楕円形で囲まれた１つ１つの機能が機能分化診断モデルを表している。

全体機能診断モデルは、画像形成装置の備える機能、オプションごとに設けられた機能分化診断モデルを結合して構成している。図３にはＩＯＴの機能分化診断モデルだけを抜き出して示す。１つの機能分化診断モデルは、確率推論モデルなどで表現される１つのノードではなく、複数のノードで因果関係を構築したネットワークとなる。図３に示すＩＯＴの機能分化診断モデルでは、ＩＯＴの故障に影響を及ぼすノード（部品や部位）が接続されている。また、図３に示す矢印は因果関係を示しており、矢印の始点が原因（親）、終点が結果（子）の関係になっている。各ノードには、Ｎｏｒｍａｌ（正常）、Ｆａｉｌ（故障）の確率が付されている。原因ノードを持たないノードには、事前に調査した各部品や部位の故障確率が付与され、原因ノードを持つノードには、条件付き確率が付与される。すなわち、図３に示すようにＲＯＳの故障確率が１．２３％で、ドラムの故障確率が１．４９％で、デベロッパの故障確率が５．４％で、フューザの故障確率が１．４８％のとき、ＩＯＴの故障は４．０７％の確率で起こることを示している。

診断のためのネットワークモデルでは、図４に示すように保守情報（測定した測定データ）を入力するノード（ＬａｓｅｒＬｉｇｈｔ、ＬｉｆｅＣｏｕｎｔｅｒ、ＤｅｎｓｉｔｙＳｅｎｓｏｒ、ＴｏｎｎｅｒＳｅｎｓｏｒ、Ｔｅｍｐ／ＨｕｍｍＳｅｎｓｅｒなど）と、診断の対象となる箇所のノード（ＲＯＳ（Ｒａｓｔｅｒ Ｏｕｔｐｕｔ Ｓｃａｎｎｅｒ：ラスター出力走査装置），ドラム（Ｄｒｕｍ），現像器（Ｄｅｖｅｌｏｐｅｒ），フューザ（Ｆｕｓｅｒ））で構成されるのが一般的である。通常画像形成装置内には、レーザの光量検出器、動作回数カウンタ、濃度センサ、トナーセンサ、温度湿度計などのセンサ類が設置されている。これらのセンサによって測定された観測データをインプットすることで、各ノードの故障確率を算出することができる。すなわち、測定データを入力するノードの測定結果によって、これらのノードと接続された診断の対象となる箇所のノードの故障確率が変動する。

レーザの光量検出器（ＬａｓｅｒＬｉｇｈｔ）、動作回数カウンタ（ＬｉｆｅＣｏｕｎｔｅｒ）、濃度センサ（ＤｅｎｓｉｔｙＳｅｎｓｏｒ）、トナーセンサ（ＴｏｎｎｅｒＳｅｎｓｏｒ）、温度湿度計（Ｔｅｍｐ／ＨｕｍｍＳｅｎｓｅｒ）などのノードは、観測データから状態が判るので、確率が正常か故障かで１００％になっている。この例では、トナーセンサ出力が故障で１００％以外は、全て正常の確率が１００％になっている。この状態でノードの正常、故障の再計算を行うと、デベロッパ（Ｄｅｖｅｌｏｐｅｒ）の故障確率がもっとも大きく７３％となり、デベロッパ（Ｄｅｖｅｌｏｐｅｒ）が故障している可能性がもっとも高いと言える。もちろん、トナーセンサ出力が故障という状態は、デベロッパ以外の原因も十分に考えられるが、この確率推論は故障診断モデル内での故障箇所推定である。もし、他に多くの故障原因が考えられる場合には、新たなネットワークを図３に示すネットワークに加えればよい。具体的な計算方法については、
Finn V.Jensen . Bayesian Networks and Decision Graphs . Springer を参照のこと。

図３では、１つの機能分化診断モデルを例にした説明であったが、実際には、１つの機能が他の機能の故障に影響を与えることもあるので、機能分化診断モデル同士を接続した図２に示す全体機能診断モデルが作成される。例えば、ＩＩＴの故障によって、ＩＯＴが影響を受けるので、ＩＩＴからＩＯＴに矢印が引かれることになる。

本実施例の故障診断装置１では、画像形成装置１００のすべての機能を搭載させた全体機能診断モデルを最初に用意しておいて、顧客の画像形成装置の構成に合わせて、顧客の画像形成装置には搭載されていない機能の機能分化診断モデルを除く。例えば、プリンターならば、図５に示すようにＩＩＴ、ＤＡＤＦ、ＡＤＦ、手差しトレイはないので、これらの機能分化診断モデルは、故障診断モデルには含まれない。また、複合機ならば、図６に示すように構成に応じてＩＩＴ，ＤＡＤＦ、大容量トレイや標準トレイなどの機能分化診断モデルが故障診断モデルに含まれる。

例えば、顧客から故障診断の依頼を受けた場合、依頼を受けた顧客の画像形成装置の構成に合わせて故障診断モデルを作り、そのモデルに基づいて各ノードの条件付き確率をすべて計算しなければならない。この確率計算は非常に複雑で時間のかかる処理となる。また、ユーザの所有する画像形成装置のパターンに合わせて、故障診断モデルを持つようにした場合、故障診断モデルを機能の組み合わせの数だけ用意しなければならず、診断モデル作成に大幅な時間が必要になる。

そこで本実施例は、すべての機能が搭載された全体機能診断モデルを予め用意しておいて、故障診断モデルに含まれなかった部分は、ダミーノードを接続する。ダミーノードとは、原因ノード（すなわち親ノード）を持たないノードである。すなわち、ダミーノードは、保守情報がインプットされることはなく、他のノードの故障確率への影響は少ないノードである。

画像形成装置の構成に従って、いかに機能分化診断モデルを構成するかをＩＩＴとＩＯＴを例に説明する。なお、ＩＯＴの機能分化診断モデルでは、手差しトレイ、大容量トレイ、標準トレイのノードは、省略している。

ダミーノードには、親ノードがなく、保守情報がインプットされない。このためダミーノードには、事前確率が予め与えられる。予め与えられる事前確率は、ＩＩＴとＩＯＴが接続された状態でのＩＩＴの事前確率、図７に示すＩＩＴ（Ｎｏｒｍａｌ９９.８％、Ｆａｉｌ０.２％）に一致するように選択される。

つまり、図７の点線部分のＩＩＴ機能分化診断モデルをダミーノードに置き換える場合は、図８に示すようにダミーノードに（Ｎｏｒｍａｌ９９.８％、Ｆａｉｌ０.２％）の値を与える。このようにすると、ＩＯＴ側には一切の変更無しで、あたかもＩＩＴが接続されているように確率計算が行われる。又、プリンターのようにＩＩＴを持たない故障診断モデルでの計算結果と複写機のようにＩＩＴを持つ故障診断モデルとの確率値に比較も可能となる大きなメリットもある。

また、ダミーノードには、保守情報がインプットされないので、ダミーを挿入して計算した故障診断デモルと、ダミーを挿入しないで再計算した故障診断モデルとで診断対象となるノードの故障確率には影響をあまり与えないノードである。図８で、診断の対象となるＲＯＳ、Ｄｒｕｍ，Ｄｅｖｅｌｏｐｅｒ Ｆｕｓｅｒなどのノードへの故障確率への影響は極めて少ない。

もし、ダミーノードを使わないで、あたかもＩＩＴが接続されているように、確率計算を行うには、ＩＯＴノードの条件付確率を変更しなければならない。又、ダミーノードに、正常であるという情報（証拠）を入れることは可能だが、この場合もＩＯＴノードの条件付確率を変更しなければならない。また、もしダミーノードを使わないで、ＩＯＴノード側の条件付確率も変更しない場合は、故障診断モデルの条件が変更されてしまい、正しい計算はできない。

このように本実施例は、画像形成装置の構成に従って、機能分化診断モデルから故障診断モデルを構成することができる。従って、プリンター、複合機、オプションの有無に用意に対応できる故障診断モデルを提供することができる。さらには、変更になった部分の機能分化診断モデルを作成して追加することで、新規な機種に対しても故障診断モデルを提供することができ、汎用性の高い故障診断モデル構築が可能となる。

図７、８に示す構成におけるベイジアンネットワーク計算の具体例を説明する。
ＩＯＴ機能分化診断モデルの確率変数(ノード)をＩＯＴ，Ｒｏｓ，Ｄｒｕｍ，Ｄｅｖｅ，Ｆｕｓｅｒ，Ｌａｓｅｒ，Ｌｉｆｅ，Ｄｅｎｓｉｔｙ，Ｔｏｎｎｅｒ，Ｔｅｍｐとし、ＩＩＴ機能分化診断モデルの確率変数（ノード）をＩＩＴ，ＣＣＤ，ＰＷＢＡ，ＳｃａｎＭｏｔｏｒ，ＤｕｍｍｙＤＡＤＦ，ＤｕｍｍｙＡＤＦ，Ｌａｍｐ，Ｆａｉｌ，ＳｃａｎＣｏｕｎｔとして、ベイジアンネットワークによる計算を行うと以下の数１のようになる。

ここでの各ノードの確率変数の状態は、Ｎｏｒｍａｌ，Ｆａｉｌの２つあり、それぞれの場合について確率が与えておく。例えば、図７の例で、Ｐ（Ｌａｓｅｒ）の場合は、Ｐ（Ｌａｓｅｒ＝Ｎｏｒｍａｌ）＝９９％、Ｐ（Ｌａｓｅｒ＝Ｆａｉｌ）＝１％となる。Ｐ（Ｄｅｎｓｉｔｙ｜Ｄｒｕｍ，Ｄｅｖｅ）の場合は、Ｄｒｕｍ，ＤｅｖｅがそれぞれＮｏｒｍａｌ，Ｆａｉｌに対して、ＤｅｎｓｉｔｙのＮｏｒｍａｌ，ｆａｉｌがあるので、８通りの組み合わせで、確率値を与えておく。故障確率を計算することは、結合確率Pを使って、観測データが与えられたときの特定の部位のＦａｉｌの条件付確率を算出することである。この計算は、通常、膨大な量になるので専用のアルゴリズムで計算される（前述の非特許文献１参照）。

次にダミーノードを使うメリットについて説明する。結合確率ｐで、ＩＩＴに関わる部分は、Ｐ（ＩＩＴ｜ＣＣＤ，ＰＷＢＡ，ＳｃａｎＭｏｔｏｒ，ＤｕｍｍｙＤＡＤＦ，ＤｕｍｍｙＡＤＦ）以降の項である。例えば、図７のＩＩＴの機能診断モデルをダミーノードＰ（ＩＩＴ）で置き換える場合、

の代わりにＰ（ＩＩＴ）で置き換える。Ｐ（ＩＩＴ）の事前確率には、図７のＩＩＴ接続されている状態でのＩＩＴノードの確率値（Ｎｏｒｍａｌ＝９９.８％，Ｆａｉｌ＝２％）を入れておく。このように事前確率を設定しておくと、ＩＯＴに関わる項（以下に示す数３）

は、予め与えている確率値を全く変更しないで、Ｐ（ＩＩＴ）との積を取るだけ故障確率の計算が可能となる。

もし、ダミーノードを使わない場合では、ＩＯＴに関わる項の最後の項に、ＩＩＴの変数が含まれているため、項Ｐ（ＩＯＴ｜Ｒｏｓ，Ｄｒｕｍ，Ｄｅｖｅ，Ｆｕｓｅｒ，ＤｕｍｍｙＮｏｄｅＦＡＸ，ＩＩＴ）に含まれている確率データを全面的に変更しなければならない。もし、確率データを変更すると、故障診断モデル自体も変わってしまい、例えば、Ｄｒｕｍの故障が起こった場合でも、ＩＩＴのある複写機とＩＩＴのプリンターーの場合では、同じ確率値にならない可能性がある。

上述した実施例は本発明の好適な実施の例である。但し、これに限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々変形実施可能である。

本発明の構成を示すブロック図である。 全体機能診断モデルを示す図である。 ＩＯＴの機能分化診断モデルを示す図である。 測定データから各ノードのＮｏｒｍａｌ，ｆａｉｌの条件付き確率を再計算した状態を示す図である。 ダミーノードを説明するための図である。 ダミーノードを説明するための図である。 ＩＩＴとＩＯＴの機能分化診断モデルを接続した機能診断モデルを示す図である。 図７に示す機能診断モデルにおいて、ＩＩＴをダミーノードとした診断モデルを示す図である。

符号の説明

１ 故障診断装置 ２ 通信部
３ 制御部 ４ 入力部
５ 表示部 ６ 記憶部
１０ 診断部 １１ 機能診断モデル機能部
１２ ダミーノード接続部 １３ 解析処理部
１００ 画像形成装置 ２００ 通信ネットワーク
３００ 携帯情報端末

Claims (5)

1. 画像形成装置の備える機能ごとに、確率推論モデルを用いて機能分化された機能分化診断モデルを作成し、該機能分化診断モデルを合成した故障診断モデルを記憶する記憶手段と、
   診断対象の画像形成装置にはない機能について、機能分化診断モデルの代わりにダミーノードを接続した故障診断モデルを作成し、前記画像形成装置の故障箇所を推定する故障箇所推定手段と、
   を有することを特徴とする故障診断装置。
2. 前記ダミーノードの条件確率は、対応する機能分化診断モデルを接続したときの結合部で、該対応する機能の状態を測定した測定データを入力する前の事前故障確率に一致させることを特徴とする請求項１記載の故障診断装置。
3. 前記ダミーノードは、前記診断対象の画像形成装置の状態を測定した測定データが入力されない独立したノードであることを特徴とする請求項１又は２記載の故障診断装置。
4. 前記確率推論モデルは、ベイジアンネットワークであることを特徴とする請求項１から３のいずれか一項記載の故障診断装置。
5. 画像形成装置の備える機能ごとに、確率推論モデルを用いて機能分化された機能分化診断モデルを作成するステップと、
   前記機能分化診断モデルを合成した故障診断モデルを作成するステップと、
   診断対象の画像形成装置にはない機能について、機能分化診断モデルの代わりにダミーノードを接続した故障診断モデルを作成するステップと、
   前記画像形成装置の故障箇所を推定するステップと、
   を有することを特徴とする故障診断方法。
   

Images